VLA迎来最强基础模型Magma：UI导航、机器人操作全能

Magma是一款由微软等机构开发的新型多模态基础模型，通过标记集合（SoM）和标记轨迹（ToM）技术，将视觉语言数据转化为可操作任务，显著提升空间智能和任务泛化能力。实验结果显示，Magma在用户界面导航和机器人操作任务上实现了最佳性能记录，尤其是在零样本性能方面超越了现有模型。尽管预训练仅使用约2900万张图像，其性能与使用15亿张图像的CogVLM相当。Magma在多个基准测试中表现出色，展示了其强大的多模态理解和推理能力。
来源：https://mp.weixin.qq.com/s/F5nIrNS4EzT3Y6sFtPlzfQ